重命名轴索引

rename(
self,
mapper: Optional[Renamer] = None,
*,
index: Optional[Renamer] = None,
columns: Optional[Renamer] = None,
axis: Optional[Axis] = None,
copy: bool = True,
inplace: bool = False,
level: Optional[Level] = None,
errors: str = “ignore”,
)

上述方法中常用参数表示的含义如下：

index，columns：表示带转换的行索引和列索引
axis：表示轴的名称，可以使用index或columns，也可以使用数字0或1
copy：表示是否复制底层的数据，默认为False
inplace：默认为False，表示是否返回新的Pandas对象。如果设为True，则会忽略复制的值。
level：表示级别名称，默认为None。对于多级索引，只重命名指定的标签。

代码：

df = pd.DataFrame({'A': ['1', '2', '4'],'B': ['9', '-80', '5.3'],'C': ['x', '5.9', '0']})
print("df:\n", df)
print("df.rename:\n", df.rename(columns={'A': 'a', 'B': 'b', 'C': 'c'}))

输出结果：

df:A    B    C
0  1    9    x
1  2  -80  5.9
2  4  5.3    0
df.rename:a    b    c
0  1    9    x
1  2  -80  5.9
2  4  5.3    0

以上也可以根据str中提供的使字符串变成小写的功能函数lower()来重命名索引的名称，无需再使用字典逐个进行替换。

代码：

print("df.rename(str.lower, axis=1):\n", df.rename(str.lower, axis=1))

输出结果：

df.rename(str.lower, axis=1):a    b    c
0  1    9    x
1  2  -80  5.9
2  4  5.3    0

也可以对行索引进行重命名

代码：

print("df.rename(index={1: 'a'}):\n", df.rename(index={1: 'a'}))

输出结果：

df.rename(index={1: 'a'}):A    B    C
0  1    9    x
a  2  -80  5.9
2  4  5.3    0

离散化连续数据

cut(
x,
bins,
right: bool = True,
labels=None,
retbins: bool = False,
precision: int = 3,
include_lowest: bool = False,
duplicates: str = “raise”,
)

上述函数中常用参数表示的含义如下：

x：表示要分箱的数组，必须是一维的
bins：接收int和序列类型的数据。如果传入的是int类型的值，则表示在x范围内的等宽单元的数量（划分为多少个等间距区间）；如果传入的是一个序列，则表示将x划分在指定的序列中，若不在此序列中，则为NaN。
right：是否包含右端点，决定区间的开闭，默认为True
labels：用于生成区间的标签
retbins：是否返回bin
precision：精度，默认保留三位小数
include_lowest：是否包含左端点

cut()会返回一个Catagorical对象，我们可以将其看作一组表示面元名称的字符串，它包含了分组的数量以及不同分类的名称。

代码：

ages = [20, 22, 25, 27, 21, 23, 37, 31, 61, 45, 32]
bins = [0, 18, 25, 35, 60, 100]
print("pd.cut(ages, bins):\n", pd.cut(ages, bins))

输出结果：

pd.cut(ages, bins):[(18, 25], (18, 25], (18, 25], (25, 35], (18, 25], ..., (35, 60], (25, 35], (60, 100], (35, 60], (25, 35]]Length: 11
Categories (5, interval[int64]): [(0, 18] < (18, 25] < (25, 35] < (35, 60] < (60, 100]]

Catagorical对象中的区间范围默认设置为左开右闭区间，如果希望设置左闭右开区间，则可以在调用cut()函数时传入right=False进行修改。

测试对象：

df = pd.DataFrame({'A': ['1', '2', '4'],'B': ['9', '-80', '5.3'],'C': ['x', '5.9', '0']})

代码：

print("pd.cut(df['B']):\n",
pd.cut(df['B'].astype(dtype='float'), bins, right=False))

输出结果：

pd.cut(df['B']):0    [0.0, 18.0)
1            NaN
2    [0.0, 18.0)
Name: B, dtype: category
Categories (5, interval[int64]): [[0, 18) < [18, 25) < [25, 35) < [35, 60) < [60, 100)]

哑变量处理类别型数据

哑变量又称虚拟变量、名义变量，从名称上看就知道，它是人为虚设的变量，用来反映某个变量的不同类别。使用哑变量处理类别转换，事实上就是将分类变量转换为哑变量矩阵或指标矩阵，矩阵的值通常用“0”或“1”表示。

在Pandas中，可以使用get_dummies()函数对类别特征进行哑变量处理。

get_dummies(
data,
prefix=None,
prefix_sep="_",
dummy_na=False,
columns=None,
sparse=False,
drop_first=False,
dtype=None,
)

上述函数中常用参数表示的含义如下：

data：可接受数组、DataFrame或Series对象，表示哑变量处理的数据
prefix：表示列名的前缀，默认为None
prefix_sep：用于附加前缀作为分隔符使用，默认为“_”
dummy_na：表示是否为NaN值添加一列，默认为False
columns：表示DataFrame要编码的列名，默认为None
sparse：表示虚拟列是否是稀疏的，默认为False
drop_first：是否通过从k个分级类别中删除第一个级来获得k-1个分类级别，默认为False

测试对象：

df = pd.DataFrame({'A': ['1', '2', '4'],'B': ['9', '-80', '5.3'],'C': ['x', '5.9', '0']})

代码：

test1 = df['B'].astype(dtype='float')
print(pd.get_dummies(test1, prefix='col', prefix_sep='_'))

输出结果：

   col_-80.0  col_5.3  col_9.0
0          0        0        1
1          1        0        0
2          0        1        0

Python之数据转换——【rename()方法、cut()函数、get_dummies()函数】相关推荐

Python生成器的send方法、递推函数、匿名函数及常用内置函数
1.生成器的send方法在使用yield方法创建生成器时,不仅可以使用next方法进行取值,还可以通过send方法向生成器的内部传值 1.1 什么是send方法? send方法相当于高级的next方 ...
Python之pandas：pandas的get_dummies函数简介(将分类变量转为哑变量)及其使用方法之详细攻略
Python之pandas:pandas的get_dummies函数简介(将分类变量转为哑变量)及其使用方法之详细攻略目录 pandas的get_dummies函数简介 pandas.get_dum ...
python内置方法就是内置函数_python内置函数
什么是内置函数? 就是python给你提供的,拿来直接用的函数, 比如print 和 input等等. 截止到python版本3.6.2 python一共提供了68个内置函数. 他们就是python直 ...
python中函数和方法的区别？Python编程判断当前获取的对象是函数还是方法
python中函数和方法的区别?Python编程判断当前获取的对象是函数还是方法目录
Python编程语言学习：sklearn.manifold的TSNE函数的简介、使用方法、代码实现之详细攻略
Python编程语言学习:sklearn.manifold的TSNE函数的简介.使用方法.代码实现之详细攻略目录 Manifold简介 TSNE简介-数据降维且可视化 TSNE使用方法 TSNE代码 ...
Python之 sklearn：sklearn中的train_test_split函数的简介及使用方法之详细攻略
Python之 sklearn:sklearn中的train_test_split函数的简介及使用方法之详细攻略目录 sklearn中的train_test_split函数的简介 train_tes ...
Python之pandas：pandas中数据处理常用函数(与空值相关/去重和替代)简介、具体案例、使用方法之详细攻略
Python之pandas:pandas中数据处理常用函数(与空值相关/去重和替代)简介.具体案例.使用方法之详细攻略目录 pandas中数据处理常用函数(isnull/dropna/fillna/ ...
Python之 sklearn：sklearn中的RobustScaler 函数的简介及使用方法之详细攻略
Python之 sklearn:sklearn中的RobustScaler 函数的简介及使用方法之详细攻略目录 sklearn中的RobustScaler 函数的简介及使用方法 sklearn中的R ...
Python语言学习：基于python五种方法实现使用某函数名【func_01】的字符串格式('func_01')来调用该函数【func_01】执行功能
Python语言学习:基于python五种方法实现使用某函数名[func_01]的字符串格式('func_01')来调用该函数[func_01]执行功能目录问题提出代码五种设计思路 T1方法:e ...

Python之数据转换——【rename()方法、cut()函数、get_dummies()函数】

文章目录

重命名轴索引

离散化连续数据

哑变量处理类别型数据

Python之数据转换——【rename()方法、cut()函数、get_dummies()函数】相关推荐

最新文章

热门文章